基于一维卷积神经网络的电力系统暂态稳定评估

系统遭遇暂态故障的过程是随时间发展的过程,基于传统机器学习的暂态稳定评估方法通常难以捕捉其时间维度信息,限制了评估性能的提高。针对该问题,提出了一种基于一维卷积神经网络(1D-CNN)的暂态稳定评估方法。该方法直接面向底层量测数据,凭借其特有的一维卷积和池化运算特性,能自动提取出暂态过程所蕴含的时序特征,从而达到对系统暂态稳定状态准确刻画的目的。设计了一种适用于暂态稳定评估的四卷积层1D-CNN模型,实现了端到端的"时序特征提取+暂态稳定性分类",并通过调整模型关键参数以提高失稳样本查全率,增强了评估结果的可靠性。新英格兰10机39节点测试系统的仿真实验表明,相较于传统机器学习暂态稳定评估方法,所提方法能以更短的响应时间做出更准确的暂态稳定性判断,满足在线暂态稳定评估准确性与快速性的要求。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

基于短时受扰轨迹的电力系统暂态稳定评估方法

针对实时评估电网暂态稳定性的快速性和准确性的需求,提出一种基于故障清除后短时受扰轨迹和卷积神经网络的电力系统暂态稳定性的评估方法。该方法无需人工计算轨迹特征作为输入量,直接基于量测时序数据,利用深度学习模型的自主学习能力逐层提取隐含在短时轨迹的局部特征,构建短时受扰轨迹与稳定类别间的非线性映射关系,并引入考虑故障初期受扰程度的暂态稳定信息矩阵样本构建,以增强提取的局部特征的鲁棒性,提升模型的泛化能力,有效减少误判样本数,达到进一步提高准确率的目的。IEEE-39节点系统的仿真结果验证所提方法的有效性,并且所提方法的评估准确率比传统的暂态稳定浅层评估模型更加优越。     

考虑量测数据缺失的电力系统暂态稳定评估

电力系统量测数据在传输过程中可能出现缺失,进而影响现有暂态稳定评估方法的性能。为此,基于生成对抗网络(generative adversarial networks, GAN)和极限学习机(extreme learning machine, ELM),提出了一种考虑量测数据缺失的电力系统暂态稳定评估方法。首先,使用GAN生成符合真实数据分布的新数据,解决量测数据缺失问题;然后,利用ELM评估模型实现对电力系统的暂态稳定评估;最后,在新英格兰10机39节点系统上进行测试。结果表明,所提方法能够有效修复缺失数据,显著提高暂态稳定评估准确率。与其他评估模型相比,其更适用于电力系统暂态稳定评估领域,有益于基于数据驱动的暂态稳定评估方法的实际应用。     

基于堆叠自动编码器的电力系统暂态稳定评估

将深度学习的思想和模型引入电力系统暂态稳定评估研究中,提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征,直接面向底层量测数据,通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种"预训练–参数微调"的两阶段学习方法,同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式,提取出有利于暂态稳定评估的高阶特征。此外,该方法能够通过大量无标注样本的无监督训练提高模型泛化能力,从而大大缩减训练样本时域仿真耗时。新英格兰10机39节点系统上的仿真结果表明所提方法比常规浅层评估方法的评估性能更加优越。     

基于双生成器生成对抗网络的电力系统暂态稳定评估方法

当前采用深度学习网络实现电力系统暂态稳定评估,由于样本多样性不足,抗干扰性差等问题导致评估算法的分类性能受到很大的影响。针对上述问题提出了一种基于双生成器生成对抗网络(doublegeneratorLSTM-generative adversarialnetwork, DGL-GAN)的暂态稳定评估方法。DGL-GAN中批量样本生成器与判别器构成对抗网络,通过交替训练学习暂态数据的分布特性,批量生成符合真实分布的新样本,解决样本多样性不足的问题;修复生成器由LSTM自编码器构成,其作用不但可以去除电力系统暂态数据中的噪声而且可以补偿仿真或量测缺失的片段,解决评估算法抗干扰能力差的问题。此外,提出的基于多层LSTM的网络结构设计可以进一步提高模型对暂态时序数据的特征提取能力。IEEE-39节点系统仿真结果表明:所提方法能够有效增强样本多样性,显著提升暂态稳定评估性能,同时还使得模型具有良好的抗干扰能力。     

采用随机矩阵与CNN的暂态电压稳定快速评估

为了发展基于数据驱动的电力系统暂态稳定性预测理论与方法,提出了一种基于随机矩阵理论与卷积神经网络的暂态电压稳定快速评估方法。通过构建高维随机矩阵,从电网底层量测数据中提取高阶特征作为输入;凭借一维卷积和池化运算特性所具有的特征提取能力,充分挖掘输入特征与电压稳定评估结果之间的非线性映射关系,建立了基于一维CNN的暂态电压稳定评估模型。利用PSS/E和Matlab软件,算例分析在新英格兰10机39节点测试系统中展开,与传统机器学习评估方法的结果进行比较,结果表明,所提方法具有正确率高、计算时间短及抗噪性能高的优点。     

基于受扰后量测响应信息的两阶段电力系统暂态稳定评估

为充分挖掘电力系统受扰后的量测响应信息,并提供给后续控制更丰富的参考,提出了一种基于快照集成门控循环单元(gated recurrent unit,GRU)网络的两阶段电力系统暂态稳定评估方法。该方法通过单次训练过程即可高效构建集成模型,且直接面向底层量测数据,可快速完成线上部署。在线应用时,首阶段通过分类模型进行动态的分层评估,逐级筛选出可信样本;次阶段利用回归模型实现进一步的暂态稳定裕度定量预测。此外,通过对模型的损失函数进行修正,有效克服了样本不平衡并强化了对困难样本的挖掘。仿真结果验证了所提方法的有效性,且所提模型的评估性能相较于其他机器学习模型具有显著优势。该文作为前瞻性理论研究,为数据驱动的在线暂态稳定评估的实现提供一种新思路。     

基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法

该文基于神经网络(artificial neural networks,ANN),提出一种特征分离型暂态稳定智能评估模型,并针对迁移学习样本生成过程提出样本生成方法。根据不同电气特征对电力系统暂态稳定性的关联程度不同,利用神经网络构建了特征分离型暂态稳定智能评估模型;针对潮流变化或拓扑变化的影响,引入迁移学习方法对评估模型进行再训练,提出关键故障位置原则和关键故障持续时间原则指导迁移学习样本生成过程;进而提出通过调节机组出力提升暂态稳定性的优化算法。算例结果验证了分离特征对评估性能提升的有效性;采用迁移学习样本生成原则在减少样本生成数量、提升评估性能方面效果显著;所提优化模型能够有效提升电力系统暂态稳定性,为电力系统暂态稳定性智能评估与优化提供了新的思路。     

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。     

基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

样本不平衡情况下的电力系统暂态稳定集成评估方法

为了在电力系统发生暂态故障后能够快速、准确地对系统稳定性进行判断,并解决样本不平衡对模型造成的倾向性问题,提出了一种基于改进损失函数的电力系统暂态稳定集成评估方法.首先,基于故障清除后的短时量测数据,设计了一种结合1维、2维单通道和2维多通道卷积神经网络的集成模型,实现了端对端的抽象特征提取和暂态稳定分类.其次,改进了模型训练过程中的损失函数,加强了对失稳样本的拟合程度,增加了错分样本的权重,从而提高了全局准确率,并减少了失稳样本漏报现象的发生.此外,文中还分析了集成模型输出的判定阈值对失稳样本召回率的影响.最后,IEEE 39节点系统和IEEE 145节点系统的仿真结果验证了所提方法的有效性.     

基于深度学习的电力系统暂态稳定评估方法

在机器学习领域,暂态稳定评估问题被定义为通过大量故障样本来估计稳定边界的二分类问题。该文提出了一种深度学习方法来解决这个二分类问题。该方法包含4个步骤:首先,利用样本数据构建原始输入特征来描述电力系统动态特性;然后,采用变分自动编码器(variational auto-encoders,VAE)对原始输入特征进行无监督学习实现特征抽取,从而获得高阶特征;之后,对卷积神经网络(convolution neural network,CNN)进行有监督学习训练得到高阶特征与电力系统暂态稳定性之间的映射关系;最后,将训练得到的模型应用于电力系统在线暂态稳定评估。在新英格兰39节点测试电力系统的仿真试验表明,所提出的暂态稳定评估(transient stability assessment,TSA)模型具有评估精度高、不稳定样本评估错误率低、抗噪声干扰能力强的特点,适合基于广域测量信息的准实时在线暂态稳定评估。     

基于双向门控循环单元的电力系统暂态稳定评估

常规的机器学习模型应用于电力系统暂态稳定评估时对时间序列的整体感知能力较弱,难以挖掘蕴藏在电气量响应轨迹中的动态信息,且对于临界样本预测结果的可靠性较低.针对上述问题,提出了一种基于双向门控循环单元(BiGRU)的2阶段暂态稳定评估方法.该方法以受扰后底层量测数据的动态轨迹作为输入,首先通过持续的动态评估筛选出可信样本,然后通过回归模型预测不确定样本和可信稳定样本的故障严重度.文中通过向损失函数中引入截断函数和权重系数对BiGRU分类器加以改进,强化了模型对困难样本和失稳样本的学习力度.在修改的新英格兰10机39节点系统上的实验结果表明,所提方法在显著减少对失稳样本漏判的同时,提升了对稳定样本的识别能力.     

基于量测数据时序谱分布特性的电力系统暂态功角稳定在线判别

基于响应信息的电力系统暂态稳定判别是实现“实时决策，实时控制”的基础。然而此类方法的准确性受限于场景匹配以及发电机分群等中间环节。为更有效地辨识系统的暂态稳定性，该文以随机矩阵理论为基础，提出一种基于量测数据时序谱分布特性的电力系统暂态功角稳定判别方法。首先根据电力系统的暂态响应特性构建数据模型，并在实时分离窗矩阵的基础上构建插入矩阵模型以降低冗余历史数据对谱分布特性的影响。然后结合谱分布理论和增广矩阵法获取表示数据相关性的最大特征值偏移度(maximum eigenvalue deviation,MED)差值轨迹，并以物理机理严格分析不同稳定模式下MED差值轨迹与暂态功角稳定间的映射关系，从数据相关性的角度制定暂态功角稳定判据，基于量测数据实现暂态响应特性分析和暂态功角稳定在线判别。     

针对数据缺失的电力系统暂态稳定评估方法

为解决量测数据缺失时电力系统暂态稳定评估模型泛化能力不足的问题，基于多向循环神经网络和XGBoost算法，提出一种针对数据缺失的电力系统暂态稳定评估方法。首先使用多向循环神经网络修复缺失数据；然后采用完整的数据集对XGBoost模型进行训练；最后基于SHAP理论量化不同输入特征对模型输出结果的影响。此外，还提出了一种模型更新机制，在系统工况发生改变时对模型进行持续更新。在新英格兰10机39节点系统上仿真结果表明，所提方法相较于传统方法具有更好的数据修复能力，能显著提高暂态稳定评估性能。     

基于数据增强和深度残差网络的电力系统暂态稳定预测

针对传统数据驱动的电力系统暂态稳定分析方法中,较少考虑输入数据存在噪声和信息缺失后对预测模型性能的影响问题,提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先,考虑噪声和信息缺失情况,对原始训练数据进行扩充;然后,采用发电机受扰后动态数据作为输入特征;考虑到输入的高维时序数据具有图像的特点,利用图像处理中一种特殊的卷积神经网络—深度残差网络构建用于暂态稳定评估的深层模型。算例分析表明,所提出的方法能够提高模型的泛化能力,在含噪声以及部分发电机信息缺失情况下具有更好的鲁棒性。     

基于Elastic Net的暂态稳定裕度在线评估

随着电力系统规模的扩大和新能源技术的广泛应用,电力系统暂态稳定特性更加复杂,在线暂态稳定裕度评估面临严峻挑战。提出一种基于Elastic Net的电力系统暂态稳定裕度在线评估的新方法。该方法无需计算形成输入特征,直接面向量测数据,将系统稳态运行节点电压幅值与相角作为样本特征,利用Elastic Net算法完成特征筛选并构建量测数据与故障极限切除时间之间的映射关系,进一步将原始特征映射至高维空间以提高预测模型的准确性。最终,实现根据系统稳态运行信息对暂态稳定裕度的快速预测。对接入风电场的新英格兰39节点系统和IEEE 118节点系统进行算例分析,结果表明,该方法通过少量数据训练即可有效筛除无关特征并具有较高的预测精度。     

基于Elastic Net的暂态稳定裕度在线评估EI北大核心CSCD

随着电力系统规模的扩大和新能源技术的广泛应用,电力系统暂态稳定特性更加复杂,在线暂态稳定裕度评估面临严峻挑战。提出一种基于Elastic Net的电力系统暂态稳定裕度在线评估的新方法。该方法无需计算形成输入特征,直接面向量测数据,将系统稳态运行节点电压幅值与相角作为样本特征,利用Elastic Net算法完成特征筛选并构建量测数据与故障极限切除时间之间的映射关系,进一步将原始特征映射至高维空间以提高预测模型的准确性。最终,实现根据系统稳态运行信息对暂态稳定裕度的快速预测。对接入风电场的新英格兰39节点系统和IEEE 118节点系统进行算例分析,结果表明,该方法通过少量数据训练即可有效筛除无关特征并具有较高的预测精度。